Auto Quant V2 教程 | 让 Codex/Kimi/DeepSeek 做量化
Auto Quant V2 发布，旨在将通用 Coding Agent 转换为全自动推进量化研究的 Quant Agent。它不绑定特定模型，通过 Harness 架构为 AI 提供长期工作的量化研究环境，支持自我进化，解决了 AI 编写代码但难以持续追踪量化研究的问题。
相关文档
用 Skills 给 AI Agent 注入设计品味
介绍了开源技能库 emilkowalski/skills，它能为 AI 编程 Agent 注入设计品味，解决 AI 生成 UI 动画和交互时缺乏质感的问题。文章详解了其核心功能、安装方法、实操流程，并对比了 Taste-Skill、Hallmark 等类似工具的差异。
AI股票研报详细教程：5个开源项目搭出你的投研团队
本文介绍了5个开源AI投资研究项目：Serenity Skill（产业链瓶颈研究）、TradingAgents（多Agent模拟投研团队）、UZI-Skill（22维个股深度分析）、Buffett Skills（巴菲特价值投资体系）和QuantDinger（AI策略生成与回测）。作者详细说明了每个项目的功能、安装方法和使用场景，并提出了一个完整的AI投研流水线：从产业研究、个股筛选、多空辩论到策略验证。文章强调AI研报不应作为买卖信号，最终决策应保留给人，并建议用户分阶段安装使用这些工具。
OpenMontage：全自动开源视频流水线
OpenMontage 是一款开源的 Agentic 视频制作系统，集成了 100+ 工具和 10+ 流水线。它将研究、脚本、配音、合成等环节交由 Agent 执行，并提供全程可审计的生产看板 Backlot，适合追求成本可控与流程透明的专业视频创作。
白烧了 5 亿 token 之后，我连夜开源了个给 Codex 和 Claude 做 Skill 搜身的新技巧！
作者因安装 300 多个 Skill 导致每次对话多消耗约 8.2k token，累计浪费数亿 token。为此，他开发了一个“Skill 瘦身”工具和可视化控制台，按使用频率和重要性将 Skill 分为核心全局、项目级和触发级。通过将低频 Skill 改为动态加载，既节省了上下文窗口，又保留了完整能力。
开源我的博主分析skill！一键复刻大佬推文风格
文章介绍了作者开源的 X 博主分析 Skill (yh-x-tweet-analyzer)，该工具能将博主的推文数据拆解为风格画像、样本集和元数据。通过分析声音特征、语言模式、钩子类型等 8 个维度，用户不仅能模仿写作风格，更能深入理解爆文背后的系统化逻辑，提升内容创作效率。
开源发布灵剪 lingjian-video
作者开源了灵剪（lingjian-video）项目，这是一种可以逐关审核的AI短视频生成工具。它将脚本、分镜、配音等流程自动化，但允许用户在每个环节对候选内容进行审核和决策。项目支持4种首发风格，基于Apache-2.0协议开源，并可用作Agent Skill。
开源个 Skill｜解决 X 转国内赛道的内容审查违规难题
文章介绍了一个开源的 AI Skill 工具 media-publish-check，旨在帮助创作者解决从海外平台（如 X）转至国内自媒体平台（抖音、小红书等）时遇到的内容审查和违规限流问题。该工具整合了大量平台规则和违禁词库，支持发布前的内容自审和优化，降低违规风险。
耗时30天，WeSight正式开源：一个入口，用所有 Agent
本文介绍了 WeSight 的正式开源，这是一款开源桌面 AI Agent 控制台。它整合了 Claude Code、Codex、Hermes 等多种 Agent 引擎，通过可视化工作台实现了对本地 Agent 的统一调度、模型管理和运行监控。WeSight 支持 Agent 团队协作、IM 通道绑定（如飞书）、技能管理及桌面宠物等创新功能，旨在降低多 Agent 协作门槛，让开发者专注于创意本身。
还在用 AI 学术妲己学论文？这套 Agent 科研团队帮你打败99%研究生
本文指出当前 AI 辅助学术论文写作中普遍存在的“幻觉”和造假问题，并介绍了一个名为 academic-research-skills (ARS) 的开源 Agent 系统。该系统通过多 Agent 协作、引用核验、反谄媚协议及完整性闸门机制，实现了从调研、写作到审稿的防出错流水线，旨在解决 AI 写作不可靠的痛点。
Auto-Quant 使用教程｜让 Agent 自动构建量化策略
Auto-Quant 是一个允许 Agent 自动构建和迭代量化交易策略的最小原型，灵感源自 Karpathy 的 Auto-Research。文章介绍了该项目的背景、测试效果及详细的运行教程，包括环境配置、使用 Claude Code 启动 Agent 的方法，以及如何监控实验进度。该项目证明了 LLM 在受约束的沙盒环境中具备进行高质量自主量化研究的能力。
一个人用 AI 做 Polymarket 量化的完整踩坑记录
作者 Leo 记录了作为独立开发者利用 AI 在 Polymarket 进行量化交易的真实经历。文章通过 15 个策略（H 系列）的实战复盘，详细展示了 85% 的策略失败率，并深入剖析了包括回测偏差、部署事故、数据造假、做市困境及策略停止在内的 5 个具体深坑，总结了量化交易本质是证伪假设而非单纯盈利的元认知。
用“女娲”Skill 蒸馏 Crypto 大佬交易人格，Agent 竞技场实战复盘
作者利用“女娲”Skill 将 Wintermute 创始人、Dragonfly 合伙人和 3AC 联合创始人的交易人格蒸馏为 AI Agent，并在同一交易竞技场进行 150 天回测与实盘。实验发现，蒸馏出的策略差异巨大，不仅复刻了真人的交易风格，也保留了其弱点，展示了 AI 在量化交易中的人格化应用潜力。
